作者：華泰期貨陳辰

摘要：

本篇報告作為量化資產配置系列研究的第一篇報告，重點介紹最優資產配置模型的核心邏輯。闡述投資組合有效前沿的方法論，并選擇華泰商品策略指數2.0進行實證研究。資產配置模型具有非常良好的通用性和靈活性，既能適應不同投資約束條件，有方便融合主觀投資邏輯，對投資決策發揮關鍵作用。

在方法論介紹部分，我們引出有效前沿的基本原理，并提出差分進化算法優化計算有效組合。對于有效前沿計算所需的數據，我們指出歷史數據和模擬數據同等重要，缺一不可。對于數據模擬的算法，我們提出MCMC法和Resample法的同時運用，可以起到互相驗證方法論正確性的關鍵作用；另外，我們還提出判斷算法有效性的重要定性標準，包括組合配置優化收斂性判斷、最優組合成分權重變化連續性和最優組合對風險變化的敏感性三個方面。

在數據測試環節中，我們選擇了華泰商品策略指數2.0體系下的四個風格指數作為研究對象，且選擇兩段時間區間進行對比研究，分別是2013年1月-2022年2月和2017年4月-2019年12月。兩段時期下，MCMC和Resample法的有效前沿邊界基本趨同，且給出的權重分布平滑性、趨勢性和連續性均強于全歷史樣本法，效果明顯改進。最后，我們發現不同歷史時段確實都有自己獨特的歷史行情，若干獨立的極端行情事件本身很難在未來復現，采用蒙卡算法或重復采樣算法可以盡量規避這些“小概率”事件對投資組合研判的干擾，從而預設合理的投資目標，最終在真實市場環境中實現投資目標。

一、引言

馬科維茨（Markowitz）在1952年的組合投資研究（ Markowitz, H., (1952), “Portfolio Selection,” Journal of Finance, 7, 77–91）為現代資產配置奠定了（定量）理論基礎。他將投資的過程抽象為兩個步驟：

（1）通過分析歷史數據，形成對交易工具的未來投資回報判斷。“ ...starts with observation and experience and ends with beliefs about the future performances of available securities...”

（2）根據對未來投資收益判斷，通過投資組合實現投資目標。“...starts with the relevant beliefs ... and ends with the selection of a portfolio”

盡管最為人熟知的部分是上述投資過程中的第二步，特別是mean-variance有效組合分析內容，而其體系中包含大量關鍵細節在隨后的研究及金融實踐領域才逐漸被投資人發掘，并投入了大量資源進行研究和投資應用。

舉個例子，對于歷史數據的研究，一般會有如下幾種應用場景：

（1）對投資工具的歷史收益率和相關性數據建模。涉及到的問題包含（不限于）：樣本空間大小（投資工具可選性）；有無多因子模型（數據維度）；數據歷史長度（Informative Priors可信賴度）；預期收益率估算誤差（金融統計量穩定性及敏感性）等。

（2）極端小概率事件特征挖掘。涉及到的問題：金融工具在極端情況下的最大跌幅；極端條件下，不同金融工具間的尾端相關性；估算極端事件出現頻率；甚至還會因為歷史數據太少而無法直接構建風險模型等。

（3）市場風格演變。市場風格是資產配置的核心要素，通常也稱為市場beta，beta因子等。在不同的經濟循環周期，或金融市場成熟度階段，不同的市場風格具有差異顯著的預期投資回報率和風險程度。而歷史上相似的經濟及金融環境往往對應相似的市場風格表現；同理經濟發展預期也成為了未來風格投資預期的重要依據。然而，如何準確描述市場風格，并實現有效投資卻并非易事。

綜上，我們看到抽象而簡明的投資邏輯在進入投資實踐階段后，實際上需要科學的方法論指導和嚴謹客觀的數據測試來支撐，并充分考慮未來市場的不確定性。充分的投資風險分散化，在一定約束條件下的組合優化模型是最可信賴的(定量)投資基礎。然而，注定在投資的道路上，模型和投資人都不可避免的將不斷見證各種新的歷史行情事件，遇到新的問題。

但是，套用一句俗語，“辦法總比問題多”。比如，估算投資組合有效前沿是資產配置模型中有較高難度的工作，盡管其核心邏輯并不復雜，且有大量成熟代碼，但是在實際應用過程中卻可能存在各種具體問題，我們舉例說明。

首先，如何保證建模使用數據的代表性？歷史數據往往只是歷史發展階段的痕跡，本身并不會簡單重復，那么選取哪一時段數據來建模，或是否需要全部數據建模都將是一個現實的問題。從我們研究實踐來看，完整歷史數據的測試是必不可少的步驟。同時在全歷史數據基礎上結合一定主觀判斷挑選的歷史數據段可以給出較優的樣本外表現。

其次，有效前沿計算數據應來自歷史數據還是蒙卡數據？答案是這兩類數據都需要。歷史數據的優點在于，客觀屬性強，其包含的外在政經影響和市場博弈等現象都真實發生過。但同時，對具體歷史事件的特異性偏向（bias）卻有可能在未來不再復現，所以一般而言，重復采樣技術（resample）需要伴隨使用才能獲得可實現的投資有效前沿。 蒙卡數據可以較好解決歷史數據量不足的問題，便于獲得更完整更準確的預期收益分布，也劃定了真實投資情境中“大概率”可以實現的投資目標。同時，其靈活度較高，隨機數模型參數可以很大程度上根據投資需要或投資預判來設定或調整。簡言之，馬科維茨提到的投資人具有的“relevant beliefs”，大部分都可以在這里通過模型選型和參數設置，轉變成定量結果。但是這兩種數據方法的缺點也很明顯，重復采樣和蒙卡技術都涉及到大型數據測試，通常計算能力已經很難勝任這項工作。大型服務器，或計算機集群技術（Computer Cluster）則是解決問題的方向。

另外，上述兩種不同方法的結果，還起到了互相驗證方法論正確性的關鍵作用。對于具有較長歷史數據的投資工具，這兩種方法應該給出趨同的結果（有效前沿形狀、組合IR變化率、最優權重分布等）；特別地，最優組合的權重分布隨波動率變化應該連續變化，且定性上保持一致，定量上趨同。進而，我們才能確定模型超參數的合理設置范圍。而在模型超參數已處于合理區間的情況下，如果兩種方法的測試結果卻差異明顯，則意味著保證模型適用性的某些前置條件無法滿足，如數據量嚴重不足，或歷史數據特異性偏向干擾，或蒙卡模型不具備表征市場特征能力等。但無論如何，這些問題的解決將為實戰化模型提供了優化方向。

從本文開始，我們將對資產配置模型做不斷深入的研究，并將研究結果應用到不同的資產配置組合場景中，包括但不限于商品投資組合；商品策略指數組合；CTA基金組合；商品&股指期貨風格策略組合；FOF組合等。從投資維續時長（Investment Horizon）的角度，隨后的研究將從長期投資方法過度到中短期投資模型；從戰略（靜態）配置逐步深入到戰術（動態）投資，最終包括對沖組合研究。我們將看到資產配置模型具有非常良好的通用性和靈活性，不僅適用于絕大多數資產配置場景，并且在適應投資約束條件, 融合主觀投資邏輯等方面都能發揮重要作用。

二、方法論介紹

根據本文需要，我們介紹必要的組合投資概念，重點關注投資實踐的需要而非理論的完整性。對于非關鍵性概念，我們將在文中涉及到的時候再做進一步說明。

2.1投資有效前沿（Efficient Frontier）

有效前沿是由一組優化投資組合構成，他們實現在風險目標確定條件下的最高預期收益率，或收益目標確定條件下的最小風險程度。

對于大多數真實投資場景來說，優化組合需要滿足適當的約束條件。比如，商品投資領域需要考慮流動性承載問題，對于流動性較差的品種一般會設置權重上限，進而保證實現配置目標，同時有利于提升策略投資容量。

從技術角度來說，前沿擬合不同于隨機數分布擬合, 其擬合的對象是“邊界”，所以一般需要根據邊界的特征采用合理的擬合方案。對于投資有限前沿來說，我們知道最關鍵的邊界特征是來自理論和實踐需要的連續性和凸性。為此我們采用可變參數內核法（Kernel Estimation of Varying-Coefficient Model）。該方法具有較優的靈活性，在數據驅動的優化模式下，得到較好的前沿擬合效果。更為重要的是，內核本身就可以平滑化入參數據，可以得到光滑（可導）的擬合邊界。這一點對于后續投資配置極為關鍵，因為最優組合的投資目標能否實現就是要看組合權重是否具有穩定性，并且投資效率對于市場風險變化保持較低的敏感性。而這些信息的主要挖掘來源，就是分析組合有效前沿的連續性及高階導數特征。

2.2 優化組合算法

投資組合的成分大多具有較高的相關性。舉例來說，一個投資組合的成分全部來自同一類資產，如股票多頭組合；商品板塊組合等，各成分之間就具有真實的相關性（經濟學意義上）。而實際情況可能更為復雜。比如CTA基金組合投資中， 因為若干基金歷史數據較短，可能彼此之間在存續期內表現出較高的相關性，但也許只是其主要投資的不同市場風格在短期內表現趨于同步，而非真實的或長期穩定的相關性。（這類問題一般需要對基金做更深入的風格歸因分析。）

上述問題對于投資最優組合選取有明顯干擾。舉例來說，投資工具A和B的預期收益率和波動率都比較接近，那么最優組合分配權重為{1:0; 0.5:0.5; 0:1}幾乎都沒有太大區別。換句話說，尋找全局最優組合是一個多值問題而非單一最優值問題。而且在這種情況下，投資人還會深入比較投資工具A和B的其他區別，比如收益率高階統計量（偏度和峰度）的優劣，尾端跌幅大小等。所以，通常的二次規劃及優化算法并不能涵蓋全部組合優化問題。另外，金融數據的噪音程度較高，也進一步限制了在二次規劃問題中較為有效的梯度類最優算法的計算優勢。

我們將采用差分進化算法（Differential Evolution）實現最優投資組合選取。該算法屬于一類遺傳算法，利用多次迭代的方法，通過每輪次計算中代表成員的“表現”來確定下一輪優化選取的代表成員。盡管該算法名字有一定誤導性，但是其優化的過程并不需要目標函數可導甚至連續，從而廣泛適用于各類全局最優解問題，特別是高噪音隨機系統問題。缺點是，對數據量要求較高，同時算法收斂效率較低。所以，該算法的應用，將主要針對蒙卡數據或重復采樣數據，核心優化部分代碼進行并行化處理。

2.3 蒙卡算法（MCMC）和重復采樣算法（Resample）

（1）蒙卡算法（MCMC）

MCMC算法是馬爾可夫鏈蒙特卡羅方法的簡稱，它是由兩個MC構成，分別指蒙特卡羅方法和馬爾可夫鏈。基本原理為，建立一個以π為平穩分布的馬爾科夫鏈，對這個鏈運行足夠時間后，可以達到平穩狀態，此時馬爾科夫鏈的值就相當于在分布π(x)中抽取樣本，該算法的核心在于利用馬爾科夫鏈進行隨機模擬。

第一個“MC”是指蒙卡模擬法，它假設概率分布是已知的，通過采樣獲得概率分布的隨機樣本，得到符合該概率分布的樣本后，可用于估計總體分布、總體期望、計算積分等。蒙特卡羅方法的核心是隨機采樣，蒙特卡羅方法一般有概率密度采樣、接受拒絕采樣、重要性采樣等。

第二個“MC”是指馬爾科夫鏈，它的一個重要性質就是平穩分布，簡而言之，主要統計性質不隨時間而變的馬爾科夫鏈可以認為是平穩的，根據馬爾科夫鏈收斂定理，當步長足夠大時，一個非周期且任意狀態聯通的馬爾科夫鏈可以收斂至一個平穩分布π(x)，這個定理是所有MCMC方法的理論基礎。

之所以需要將蒙卡模擬法和馬爾科夫鏈結合起來，是因為當隨機變量是多元的、密度函數是非標準形式、隨機變量各分量不獨立等情況出現時，一般的蒙特卡羅方法就難以解決，此時需借助于馬爾科夫鏈的平穩分布來實現對復雜后驗分布的抽樣。

（2）重復采樣算法（Resample）

重復采樣法是當給定的訓練集樣本（包含N個）數量較少，不能夠很好地反應數據的真實分布時，在原有的訓練數據集中多次隨機選取n個樣本數據（n

2.4 算法有效性判斷

定量測算并不能脫離定性（甚至常識）判斷。而對于復雜問題，有時候情況可能更糟，往往由于模型過度簡化，或約束條件不真實，定量結果似是而非，一時之間難以判斷結果的有效性。同時，因為組合優化配置理論體系龐大，涉及方法眾多，非專業人員一般也很難全面把握問題全貌。策略研發或投顧建議極易出現一葉障目，而回避其他關鍵問題。為此，我們提出若干簡單實用的有效性判斷標準，對模型測試效果和投研結論可靠性做定性判斷，并隨后在我們定量測試中踐行，這些標準也有助于一般投資人以更專業的眼光來看待組合投資研究成果：

A.組合配置優化收斂性判斷。

B.最優組合成分權重變化連續性。

C.最優組合對風險變化的敏感性（投資目標實現難度）。

接下來，我們舉例說明。

上圖是我們針對有色金屬板塊分析最優組合投資結果。自上而下，四種色條分別代表鎳、鋁、銀、銅在對應風險目標（年化波動率；橫軸）下的最優組合權重分布。

首先，左右兩圖都是在其他測試條件完全相同的情況下，只改變風險程度的分辨率和每一個風險程度上蒙卡組合的數量（均為模型超參數），得到的最優配置組合結果。左圖上，大致可以看出不同品種權重隨最大風險容忍度變化的趨勢。但是，權重變化節奏難言連續，實際上權重分布上“毛刺”很多，即使在一定風險范圍內做權重均值也可能帶來較大估算誤差。所以，我們判斷左圖配置優化過程并未最后收斂，于是提高分辨率并增加蒙卡數量，最終得到右圖結果。 右圖中，權重分布與左圖表現出一致性，參數優化無疑指向收斂方向。而其權重變化趨勢更加明確且保持連續性；同時，在風險較低區間配置較多銅，而風險較高區間過渡到高配鎳也符合常識性判斷。所以，我們認為右圖對應的組合優化結果已經收斂，而左圖結果并未收斂其計算結果不能指導投資應用。

為了進一步說明上述定性判斷的重要性，我們依然采用上述案例，分析有效前沿的梯度特征。

這里我們看到了明顯的差異，未收斂結果存在兩個風險敏感度較低的區間：年化波動率14%-15%和大于17%的部分。收斂結果也存在兩個風險敏感度較低區間：波動率15%-16%和大于17%的部分。如果，我們采用了未收斂的結果，并且投資風險較低的那段區間（波動率14%-15%），則很有可能在真實場景下正好投資了風險敏感度較高的區間，也就是說權重的微小變化就有可能導致投資回報的較大風險差異，而根據上文對未收斂結果的分析我們已知權重分布結果誤差已比較大，那么投資目標將更難實現。可以說在組合優化計算未收斂的情況下，配置結果幾乎沒有任何指導價值（更準確地說，是具有誤導性），且預期投資的風險程度幾乎不可控，而這些本應都是投資決策需要解決的關鍵問題。

最后基于收斂結果，比較容易確定較優的投資風險目標應鎖定在波動率15%-16%之間，且因為權重變化連續性較好，那么采用接近波動率15%附近的權重分布大概率可以實現風險目標，且存在一定幾率獲得更優的投資回報。在組合優化模型的收斂結果支撐下，各項投資預期數據具有較高可靠性，投資目標實現的可能性較高。

（此模擬數據測試使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz，30核，160GB RAM，耗時約20小時）

三、2013-2022年的數據測試結果

3.1有效前沿結果

2021年底，我們對外發布了華泰期貨商品策略指數2.0，作為升級版的商品策略指數，在指數1.0的基礎上對風格因子和板塊類型進一步地優化和擴充，最終形成了由長周期動量、短周期動量、期限結構與偏度共同構成的商品風格系列指數體系。本文作為資產配置量化專題系列的第一篇，選擇華泰商品策略指數2.0體系下的這四個風格指數作為研究對象，探討其有效前沿。

研究過程中，我們選擇了兩段時間區間進行對比研究，分別是2013年1月-2022年2月和2017年4月-2019年12月，依據在于后者所處的宏觀背景與2021年至今的相似度較高，對其深入探討或給予當下投資者更多的啟示。

（此模擬數據測試使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz， 30核，160GB RAM，耗時約15小時）

測試結果如下圖所示，根據圖5的有效前沿結果，MCMC和Resample基本擬合，可以運用。四個風格指數中，偏度指數臨近MCMC和Resample的有效前沿，屬于低風險低收益資產；長周期動量指數臨近全歷史樣本法給出的有效前沿，屬于高風險高收益資產。因此，偏度指數和長周期動量指數是期間內值得跟蹤投資的策略指數。相較而言，短周期動量指數和期限結構指數的投資效果相對較差，前者風險最高，后者收益最低，屬于高風險低回報的策略。

基于圖6的收斂結果，對于華泰期貨商品策略指數2.0而言，大致可以確定較優的投資風險目標應鎖定在5%-6%的年化波動率上。由于權重變化的連續性較好，意味著這個風險區間內的權重分布大概率可以實現風險目標，且存在一定幾率獲得更優的投資回報。相較而言，波動率在6%-8%的區間為不可投資區間，因為梯度明顯陡峭化，反映投資效果對風險變動的敏感度較高，預期投資目標實現的可靠性較低。

根據圖7的IR結果，MCMC和Resample基本擬合，給定相同波動率的情形下，低于全歷史樣本法的值。三種方法給出的IR均與投資組合波動率保持反比關系，即實現越優異的投資效果，難度越大。同時， 在排除了歷史數據中異常值干擾后，有效的、大概率可實現的投資目標區間顯著縮短。

3.2 馬科維茨最優權重

圖8-10分別展示了該階段下，三種方法計算的權重分布結果，從上至下依次是期限結構指數、偏度指數、短周期動量指數及長周期動量指數。相較全歷史樣本法的結果而言，MCMC和Resample得到的結果趨于一致，權重的分布平滑性、趨勢性和連續性均更強，表明所得權重結果可以直接應用。權重分布圖給出的資產配置方向為，在風險較低區間需適度增配偏度風格指數，高配期限結構指數，降低動量風格的暴露比重；而在風險較高區間需適度增配動量風格暴露，降低偏度和期限結構指數的配置比重。

四、2017-2019年的數據測試結果

4.1有效前沿結果

根據我們對有效前沿結果的有效性判斷，MCMC和Resample算法結果均已收斂。

（此模擬數據測試使用 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz， 30核，160GB RAM，耗時約8小時）

四個指數中僅期限結構指數最臨近全歷史樣本法給出的有效前沿，屬于中風險高收益資產；在相近的收益水平上，長周期動量指數展示出較短周期動量表現更高的波動；在相近的風險水平上，短周期動量指數又表現出較長周期動量指數更低的收益。綜合而言，

2017年-2019年期間，短周期動量指數成為了投資效果最差的指數策略，期限結構則成為投資效果最優的指數策略。

基于收斂結果，對于華泰期貨商品策略指數2.0而言，大致可以確定較優的投資風險目標應鎖定在5%左右的波動率上。由于權重變化的連續性較好，意味著采用波動率5%附近的權重分布大概率可以實現風險目標，且存在一定幾率獲得更優的投資回報。相較而言，波動率在6%以上的區間為不穩定的投資目標區間，因為梯度明顯陡峭化，反映投資效果對風險變動的敏感度較高，預期投資目標實現的可靠性較低。

根據圖13的IR結果，MCMC和Resample雖存在差異，但表現基本相似。給定相同波動率的情形下，3%以下的波動率區間，MCMC和Resample的IR值高于全歷史樣本法；3%以上的波動率區間，MCMC和Resample的IR值低于全歷史樣本法。MCMC和Resample給出的IR均與投資組合波動率保持反比關系，即實現越優異的投資效果，難度越大，同時，在排除了歷史數據中異常值干擾后，有效的、大概率可實現的投資目標區間顯著縮短。全歷史樣本法給出的IR與更合理算法的差異較大，并不可信。所以，我們認為在真實投資條件下，想要達到全歷史樣本展示的最優IR幾乎不可能。MCMC和Resample給出的結果較為可信，它們說明，隨著波動率的升高，投資回報IR將會迅速降低。

4.2 馬科維茨最優權重

圖14-16分別展示了該階段下，三種方法計算的權重分布結果，從上至下依次是期限結構指數、偏度指數、短周期動量指數及長周期動量指數。相較全歷史樣本法的結果而言，MCMC和Resample得到的結果趨于一致，權重的分布平滑性、趨勢性和連續性均更強，表明所得權重結果可以指導投資應用。權重分布圖給出的資產配置方向為，在風險較低區間需適度增配偏度風格指數，高配期限結構指數，降低動量風格的暴露比重；而在風險較高區間需適度增配動量風格暴露，降低偏度和期限結構指數的配置比重。

五、結論

本篇報告中，我們選擇了華泰商品策略指數2.0體系下的四個風格指數作為研究對象，探討其組合投資有效前沿。同時，我們選擇兩段時間區間進行對比研究，分別是2013年1月-2022年2月和2017年4月-2019年12月，以期給予當下投資者更多的啟示。

首先，我們注意到，如果只是用全部歷史數據（Full）進行測試，這無異于簡單的歷史行情“復盤”。實際上，配置模型也并不能帶來比人工復盤更具啟發性的結果，反而有可能得到非常令人困惑的結論。比如對比2013-2022年和2017-2019年的結果，我們看到，為了達到高風險目標區間（對應較高收益率）， “似乎”最優組合權重將集中于完全不同的風格。在2013-2022年，最優組合權重集中于長周期指數；而2017-2019年則又幾乎全部集中于期限結構指數。于是，投資人得到一個似是而非的結論，金融市場永遠都在變化過程中且難以預料，所以沒有永遠有效的投資邏輯，投資取得正向回報完全靠猜測下一個風口是否能賭對。

事實當然并非如此。盡管市場風格變化或者極端行情是大多數投資人都無法逃避的經歷，但是，正確的投資邏輯可以帶來持續正向的投資回報，關鍵是要使用正確的方法，規避已知的且明確的風險來源。專業的解釋依然需要較強的背景知識和更充分的測試結果支撐，我們將留待后續研究報告討論。但在這里我們不妨結合現有的測試結果，對比上述兩個時間段，考察最優組合配置結果帶給我們的最直觀啟示（MCMC和Resample結果趨同，如無特別說明下文不做區分）。

不難發現，配置的核心邏輯是如何正確處理組合投資風險。首要步驟就是要設置合理的風險目標。對于上述案例，投資的風險目標適合鎖定在年化波動率5%左右，這樣利用風格指數進行配置的難度并不大。因為這一段風險區間在不同時間段，都處于整個投資有效前沿的中前段，風險程度相對較低（降低投資組合整體風險）；且最優權重變化帶來的風險差異不大，也都屬于風險差異低敏感區域（規避風險變化不可控）。同時，這一風險區間也對應著組合中各指數權重較為分散化的階段，即使在不同年份，不同指數有明顯的最優權重差異，但是都不存在權重過度集中的狀況（規避風格賽道擁擠風險）。相反，在有效前沿兩端，在不同時段需要對特定風格指數集中權重才能達到相應的投資目的，對投資人的行情預判能力和投資出入場時間點選擇都有較高專業門檻，投資目標實現難度明顯更大（規避投資實現風險）。

不同歷史時段確實都有自己獨特的歷史行情，若干獨立的極端行情事件本身很難在未來復現，而盡量規避這些“小概率”事件對投資組合研判的干擾，正是我們采用蒙卡算法，或大量重復采樣算法的初衷。通過海量模擬可能出現的市場場景，給出最高概率反復出現的歷史（模擬）行情，進而構建最優投資組合。這就大大降低了我們僅僅根據近期行情，或極端行情而做出非理性投資的錯誤決策（規避情緒化交易風險）。同時，因為這一類算法是根據“大概率”會出現的市場行情進行投資組合優化，大大縮短了真實投資可實現的有效前沿范圍。所以，即使在投資有效前沿兩端，投資權重分布依然有相對較好的平衡性，極大避免了因一段時間內資金集中在若干短期熱門品種，而有可能導致的極端風險事件（規避單一品種的黑天鵝事件）。

而在真實投資過程中，如果疊加一定的專業投資判斷，增加表現較優指數的投資權重，也可以通過較低換手率的市場交易來平穩過渡到最優配置持倉（規避過度交易風險）。最后還需要指出，商品風格指數是通過捕捉商品市場的系統性風險敞口，利用投資長期有效的beta類型因子，來獲取風險溢價收益，其有效性并不會像alpha因子那樣容易在短期內失效，本身就是值得長期配置使用的投資產品（規避策略失效風險）。同時，風格指數本身覆蓋全市場，僅根據商品品種合約的流動性做一定限制，組合配置的資金容量巨大，投資屬性接近權益類的指增策略（規避投資標的稀缺風險）。進一步，商品風格指數編制規范透明，建倉調倉過程均有明確交易指導，適合跟蹤復制（規避投資過程的黑盒子風險）；并且還可以在此商品指數的基礎倉位上疊加多樣化的投資策略，在風險可控范圍內，進一步提升投資收益回報。

關鍵詞： 資產配置